作者：罗宾

出品：明亮公司

！近日，美国 AI 医疗独角兽 Abridge 的创始人、CEO Shiv Rao 博士接受了美国 CNBC 的电视采访。Shiv 讲述了 Abridge 在医疗保健企业级服务中的定位，以及作为一款曾经被归类为 "AI 套壳 " 的应用，Abridge 如何定义 " 套壳 " 的方向。Shiv Rao 也是一名执业的非侵入性心脏病医生。

大模型发展早期，"AI 套壳 " 公司也曾被戏称为 " 二流中间商 "，因为它们 " 只是在别人的技术上贴了一个界面，而不是投入艰苦的工作来创建自己的模型 "。当时人们认为 AI 领域唯一的竞争方式就是筹集巨额资金，投入算力并进行大规模预训练，这一结论迅速反映到 OpenAI、Anthropic 等大模型商的估值上。

但这种情况改变了。大家很快意识到，真正的高价值正在向顶层应用转移，这也是投资者愿意为这类价值支付溢价，并给予所谓的 " 套壳 " 产品比 Anthropic 和 OpenAI 更高估值倍数的原因之一。

据 Information 报道，AI 搜索引擎Perplexity 目前的估值是年化收入的 170 倍，而 Anthropic 是 58 倍，OpenAI 是 43 倍。这表明投资者对 Perplexity 更快实现盈利和将增长转化为收入的效率更有信心。

Cursor 的母公司 Anysphere 在 12 个月内实现了超过 1 亿美元 ARR（年度经常性收入）。Cursor 是由 Anysphere 开发的 AI 代码编辑器。Anysphere 的估值在 2024 年的几个月内飙升了 550%，现在已成为一家 vibe-coding 领域的 " 十角兽 "。

与 Perplexity、Cursor 类似，Abridge 是一家专注于医疗对话的 "AI 套壳 " 公司。其核心产品是 AI Scribe，能够实时将医生与患者的对话转换为结构化的临床笔记，并与电子病历系统无缝集成。这个产品旨在减轻医生文书工作的负担，提高医疗记录的效率和准确性。

Abridge 通过向医疗系统提供订阅服务获取收入，公司预计其 ARR 在 2024 年达到 5000 万美元。Abridge 已在美国超过 100 个医疗系统中部署其 AI 平台。

以下内容为访谈内容节选，由「明亮公司」编译：

Abridge如何理解医疗保健行业

主持人: 我们从最基础的问题开始吧。Abridge 是做什么的？

Shiv：Abridge 减轻了临床医生的文书工作，使他们能够专注于最重要的人，即患者。我们成立于 2018 年，所以我们已经存在一段时间了。我们构建的一切都来源于一个基本假设：医疗保健是以人为中心的，我们认为这不会改变。

医疗系统重不同的人一直在进行对话：一边是医生或护士等专业人士，另一边通常是患者或其家庭成员。对话可能产生于诊所或医院检查室、急诊室。这些对话语料实际上是医疗保健中许多不同工作流程的上游。

例如，如果你是我的患者，我给你问诊后，我会记下一些潦草的笔记，试图拼凑出我们实际讨论的内容，最后我按照职业规范写下一系列文书。全球范围内都是这样。

多个利益相关者会看那个笔记并对其进行评估：例如其他医生和护士会阅读它，了解我为什么给你开某些特定的药物；业务运营和财务人员也会阅读那个笔记，因为这将与我获得的报酬有关，这就是医生为自己提供的医疗服务获得信用的方式。

主持人：Abridge 成立于 2018 年。ChatGPT 于 2022 年问世。生成式 AI 在此之前就已经存在，对你们的业务有什么影响？

Shiv：2018 年我开始创业，一部分与 Transformer 有关，这是一种支持生成式 AI 的机器学习模型。但我们是从一些早于 LLM 的模型开始做的——像 BERT、BioBERT、Longformer 或 Pegasus 这样的模型。这些模型有时是基于互联网数据预训练的，也可以针对你想解决的具体用例进行微调。

当大语言模型问世，生成式 AI 成为一种现象时，我们非常激动。我记得在 2021 年，我们在一个大型行业会议上参加了他们的晚宴，会议主题是生成式 AI。2023 年，许多参加那次晚宴的人给我打电话说：" 我现在明白了，我也要尝试一下 "。因此，我们几乎在一夜之间将所有这些潜在能量转化为一些爆发力。

主持人：我相信医生们也能感受到。OpenAI、Google、Anthropic 这些大型语言模型公司一直在改进产品，也有自己的语音转录服务。为什么医生、医院、医疗保健行业不直接使用它们，而是用 Abridge？

Shiv：从 AI 技术的全栈去看，底层或接近底层的是那些基础大模型公司，它们能提供每个人都可以利用的原材料。中间应该有一个基础设施层，帮助公司去协调不同模型。

顶部是应用层，应用层的公司专注于为特定的一组用户或企业解决特定的问题。它们通常深度集成到工作流程中，并利用专有数据集。Abridge 的任务是真正解决特定行业的问题，这意味着我们通常会用互联网上没有的数据集进行学习，通常会协调大量不同的模型，来创造最佳的用户体验。

主持人:  是否也是因为数据的私密性在医疗保健中也是极其重要的？

Shiv：是的。特定行业有特定的进入壁垒，隐私对医疗保健至关重要，可信可靠是基本要求，是你交易的终极货币。

所以我们看到的挑战与机会在于能否利用靠近底层的优秀技术，在最合适的场景中构建我们自己的技术能力，汇聚成真正全栈的产品和解决方案。这是核心技术与 AI 的集成，来源于我们对如何将数据融入工作流程，收集医生每天的输入内容、进行客户服务的探索过程。

主持人:  萨提亚 · 纳德拉说过，OpenAI 现在是一个产品公司。是什么阻止了大模型公司进入到 Abridge 的这个领域？

Shiv：我认为对于基础大模型公司来说，向顶层应用发展是有道理的。在某种程度上，它们一直都在那条方向上。你我都在使用 ChatGPT 或 Claude。它们就是 App 或产品。

这些公司也是 T 型公司，它们有一个垂直方向，可能是我们都会使用的面向消费者的 App；但它们同时也有更横向发展的一层，即 API，为其他公司提供访问这些原始组件的能力，使企业能以深度的方式利用这些组件。但它们不可能涵盖所有领域并深入所有领域。

精进 5% 的更高体验：高效组合不同模型的优点

主持人：Abridge背后是哪些模型？

Shiv：我们协调了大量的不同模型。我们在幕后所做的工作可以称之为" 场景化的推理引擎 "。经过过去几年的探索，我们已经能够处理不同模型之间复杂的协调任务。其中一些模型是网络规模大模型（通常有大规模参数和复杂计算结构），有些则是微调的开源模型。

要知道，在我们的工作中，一点点的差异，哪怕只有5%，对最终形成的用户体验有着巨大的不同。加上还有医疗保健中的信任和安全问题。因此，在许多方面，我们得尽可能深思熟虑地调用大语言模型并利用 AI。

我们面临的一部分挑战就是如何从用户行为中抽象出很多复杂条件下的任务。在产品的背后，我们可能会调用一个大语言模型 15 到 20 次，只为生成一条看似平常的笔记。显然，我们无法在以如此高的频率调用一个现成的大模型的同时，还保持低成本。所以我们要使用自己优化过的更具性价比的模型，确保高效和准确的输出。

主持人：所以你们也在用 DeepSeek 开源模型吗？

Shiv：当然，我们正在试验。我认为这是应用层故事的一部分，每当底层大模型发生变动，有新的进步时，对我们都是一个利好：对于那些懂得如何将这些技术塑造成它们特定用例的公司来说，绝对是好消息。

主持人：它们的产品变得更加敏锐了。

Shi：当然。

主持人:你们认为，作为一家 AI 应用公司，是否比 OpenAI 更容易变现？毕竟 OpenAI 每年有数十亿美元的亏损。你们成本结构是怎样的？不想透露具体细节也没关系。但能给我们一些大概的信息吗？

Shiv：在应用层，你得遵循你所在特定行业的所有规则。医疗保健行业，你的产品推广策略，销售策略等都有规则。我相信像法律等其他行业，也有自己的特点。我们根据规则做好以上工作后，定价只是一个后续步骤。

我们的价值还是在于能对行业产生的影响。这些年来，每 5 个医生中有两个不想在接下来的 2 到 3 年内继续当医生；根据 JAMA 杂志的一篇文章，27% 的护士不想在未来 12 个月内继续当护士。这可能意味生活在农村地区的患者，不得不开车五六个小时去城市医院找到风湿病专家问诊。对于这些公共卫生紧急情况，我们必须做些什么。

主持人:有了 Abridge，省去一些文书工作，医生的工作可能会变得更聚焦一些，所以他们因此愿意继续留在这个行业？

Shiv：对，其实我们从合规的沟通渠道收到无数用户的反馈，他们告诉我们，他们准备在这个行业再工作 5 年，因为我们已经减轻了他们很多的负担。这些反馈也是我们的工程师们的多巴胺来源，他们越来越明确为什么要做这件事。

主持人:  这个领域竞争也很激烈。是否已经到了医生、医院愿意为你们的产品付费的阶段？还是说你们正处于扩大规模并获得市场份额的增长阶段？

Shiv：他们愿意付费，而且我们一直在扩大规模。我们在全国超过 110 个医疗系统中上线。其实我们过去几年所处的时刻真的很有历史意义，因为医疗保健系统通常不会这么快地改变。这就表明，我们解决的问题也是我们国家各类首席级别的高管们都在考虑的首要问题之一，他们也正为此寻找有效的解决方案。我们能够证明我们带来的正向改变，所以能顺利扩张。

开源让我们以更低成本实现产品差异化

主持人:我一直很小心地称 Abridge 为 "AI 应用公司 "。当被别人以 AI 套壳定义你们的时候，你会感觉不舒服吗？

Shiv：我不知道该怎么看待这个词，因为我不确定它现在是否还有几年前那样的含义。也许两三年前，有一种观点认为，在 AI 领域竞争的唯一方式是筹集数亿美元，并预训练这些网络规模的模型，以解决各种问题。

但人们很快意识到，真正的价值正在向上层应用转移。而且当你能深度解决人类的问题时，就能实现这项技术的最高价值。

我们公司的 CSO（首席科学官）是卡内基梅隆大学的教授，他也全职与我们在一起，住在旧金山。他觉得我们更像一些基础模型公司，虽然规模不同；我们也是 T 型的，以我们自己的方式发展。我们也有自己的技术水平，也利用专有数据集，也在做微调和后训练优化变成我们自己的模型，提供尽可能最好的结果和解决方案。

主持人：所以 " 套壳 " 对你们来说不再是一个准确的描述？套壳应用暗示着变 " 窄 "（thin），对吧？但我认为你们正在解决更复杂的问题，并且越来越深入。

Shiv：完全同意。我认为所谓的 " 套壳 " 可能仍然适用于某类产品，更多是在消费领域。但不适用于企业级服务领域，因为企业领域除了技术之外，还有那些你必须考虑的因素：合规、隐私、安全、基础设施、规模化能力等。

主持人:你们正在开发自己的模型，我们已经看到了这一趋势，特别是 DeepSeek让模型变得更加便宜和高效。不止是你们，很多 AI 公司有更多的开源模型可以利用，从而可以生产自己的内部优化模型。

Shiv：是的，绝对的。我认为这是趋势，这也是我们能够取得成功的秘诀。我们能够通过产品、用户体验和特定指标实现差异化。

我们不会告诉医生：嘿，在产品的背后，我们可能正在调用和协调 20 个不同的模型。其中一些模型可能提取的是保险公司想要审查的内容，用于核保或报销。另一些模型可能提取的是患者想要阅读的内容——如果医生在笔记中使用像 " 经导管主动脉瓣成形术 " 这样的术语，他的患者看到这个术语时，可能会觉得：" 等等，他从未对我说过这个。我要去 Google 一下，这听起来很可怕。" 然后患者可能会打电话或发邮件给医生，询问到底是怎么回事。

因此，我们在后台协调的所有不同模型都是为了服务于这些不同的利益相关者，而我们的差异化很大程度来源于此。

Vibe-coding 与传统软件开发的关系

主持人:我知道你们在医疗保健领域做得很好，但接下来我想更广泛地谈一谈 AI 应用层。我们对 vibe-coding（氛围编码）兴起非常好奇，尤其是它将如何改变开发者的工作。作为 AI 应用领域的领导者，你们对此研究过吗？

Shiv：是的，当然。这可能是我们在公司内部 Slack 上每天都会提到的议题。

Vibe-coding 可以快速把想法转化为可测试的原型，跳过许多传统开发步骤。例如创建一个网站，无需深入理解底层代码。我们也不知道 6 个月、12 个月以后这项技术会有哪些进步，但即使在 vibe-coding 的帮助下，你仍然需要掌握编程语言、算法、AI 和机器学习等基础知识，才能完成一款产品的构建。

作为一名医生，我仍然时常会去医院看看患者的情况。每个月，当某个周末没人想要去值班时，我会去值班。我会研究一些病人的脱敏的疾病信息，然后将其输入到 AI 模型中，了解如果 AI 在医生的角色上看到一个有这些症状或投诉的病人，它会怎么做。我发现至少有一半的时间，AI的第一直觉是不正确的。我会跟 AI 对话，我们反复讨论，我可以被它说服。虽然我没有进行反事实推理或假设，但我相信我们最终得出的是比原来更好的结论。

（反事实推理或假设：医生会考虑如果采取不同的治疗方案，患者的病情会如何发展。这种思考方式在医学决策中很常见。）

所以 AI 帮我扩展了我的思维，确保我没有忽略一些对罕见病的诊断或不寻常的医学诊断。但它仍然不能代替整个诊断思维。我认为vibe-coding 之于传统开发，与 AI 企业级应用之于基础模型，有类似的相互作用。

主持人:你认为 vibe-coding 可以取代传统代码生成吗？

Shiv：现阶段，特别是在医疗保健等需要扩展企业级解决方案的行业，vibe-coding是一个很好的工具，它能快速进行产品或功能的原型设计。例如，它能帮助我们跳过很多想法落地环节或跨公司沟通想法的步骤，人们更容易理解我们正在构建的东西，也许还可以让我们提前开始优化我们正在构建的要素，如优化用户体验，确保产品在正式发布时能够达到预期的效果和性能。

因此，它可以缩短产品发布前的整个周期，但它现在并不能取代我们仍然要做的基础工作——确保我们发布的代码能够准确运行并规模化。

AI 企业级应用要保持高灵敏度、对的团队

主持人:最后一个我想讨论的话题是，初创公司正在与那些很长时间都在试图解决同样问题的巨头玩家竞争。现在你们有竞争空间的原因是什么？这与生成式 AI 有关吗？还是更多与传统巨头的 " 船大难掉头 " 有关？

Shiv：当底层大模型变化如此之快，正如你之前所说，应用层的敏锐度、灵活度非常重要。高灵敏性意味着你组建了一个有着正确技能组合的团队，包括能够深入基座模型层，并针对你的特定用例微调这些模型的科学家团队，同时你还能深度整合到行业的工作流程中。

所以，重要的是你能在这个时刻把你们团队的技能与 AI 结合、与行业知识结合。显然，市场时机是非常难以把握的，但当一些巨大需求产生了，你的价值就凸显了。医疗保健现在正在与 AI 一起共振，其他行业很快也会如此。

主持人:  初创公司能够迅速行动，但巨头们拥有更多数据，也可以合理地利用这些数据，这只是时间问题，对吧？它们也许未来会进行并购，与你竞争。那么你们的护城河是什么？

Shiv：基础大模型肯定有护城河。几年间，它们的算力、数据收集、强化学习等需要巨额资金，这是一项极为繁重的工作。

应用层护城河就是技术型公司一直以来的护城河，尤其是在 B2B 市场。护城河可以是网络效应、高转换成本，可以是挖掘稀缺资源的能力，或是品牌效应等。所有这些都可以是一家企业的竞争优势。

主持人:但巨头在分销渠道上有更大优势？

Shiv：我认为分销部分很重要。但 AI 也在改变分销的游戏规则，改变大家对分销渠道的定义。就在这几周和几个月内，我们已经接触到很多企业级应用的技术，可以帮你完成很多流程的自动化，迅速触达用户的浏览器或既定系统。以前能够完成这些大规模任务的进入门槛可能非常高。

AI 正在重新定义分销渠道的重要性，或者说是现有渠道的重要性。这让初创公司有胜出的空间，只要它们有最好的产品。

#当季公司

｜｜｜｜拼多多｜｜｜｜宇树｜｜｜｜｜｜｜｜

#领先认知

马克 · 安德森谈 AI 科技霸权｜｜人形机器人的垂直整合｜｜阿里与拼多多 AI 殊途

#一手信息

｜｜｜｜｜